如何使用 Go 每分钟处理百万请求？-技术圈

偶然间看到一篇写于15年的文章，说实话，标题确实吸引了我。

关于这篇文章，我就不直接翻译了，原文地址我放在文章最后了。

项目的需求就是很简单，客户端发送请求，服务端接收请求处理数据(原文是把资源上传至 Amazon S3 资源中)。本质上就是这样，

我稍微改动了原文的业务代码，但是并不影响核心模块。在第一版中，每收到一个 Request，开启一个 G 进行处理，很常规的操作。

初版

package main
import (  "fmt"  "log"  "net/http"  "time")
type Payload struct {  // 传啥不重要}
func (p *Payload) UpdateToS3() error {  //存储逻辑,模拟操作耗时  time.Sleep(500 * time.Millisecond)  fmt.Println("上传成功")  return nil}
func payloadHandler(w http.ResponseWriter, r *http.Request) {  // 业务过滤  // 请求body解析......  var p Payload  go p.UpdateToS3()  w.Write([]byte("操作成功"))}
func main() {  http.HandleFunc("/payload", payloadHandler)  log.Fatal(http.ListenAndServe(":8099", nil))}

这样操作存在什么问题呢？一般情况下，没什么问题。但是如果是高并发的场景下，不对 G 进行控制，你的 CPU 使用率暴涨，内存占用暴涨......，直至程序奔溃。

如果此操作落地至数据库，例如mysql。相应的，你数据库服务器的磁盘IO、网络带宽、CPU负载、内存消耗都会达到非常高的情况，一并奔溃。所以，一旦程序中出现不可控的事物，往往是危险的信号。

中版

package main
import (  "fmt"  "log"  "net/http"  "time")
const MaxQueue = 400
var Queue chan Payload
func init() {  Queue = make(chan Payload, MaxQueue)}
type Payload struct {  // 传啥不重要}
func (p *Payload) UpdateToS3() error {  //存储逻辑,模拟操作耗时  time.Sleep(500 * time.Millisecond)  fmt.Println("上传成功")  return nil}
func payloadHandler(w http.ResponseWriter, r *http.Request) {  // 业务过滤  // 请求body解析......  var p Payload  //go p.UpdateToS3()  Queue <- p  w.Write([]byte("操作成功"))}
// 处理任务func StartProcessor() {  for {    select {    case payload := <-Queue:      payload.UpdateToS3()    }  }}
func main() {  http.HandleFunc("/payload", payloadHandler)  //单独开一个g接收与处理任务  go StartProcessor()  log.Fatal(http.ListenAndServe(":8099", nil))}

这一版借助带 buffered 的 channel 来完成这个功能，这样控制住了无限制的G，但是依然没有解决问题。

原因是处理请求是一个同步的操作，每次只会处理一个任务，然而高并发下请求进来的速度会远远超过处理的速度。这种情况，一旦 channel 满了之后，后续的请求将会被阻塞等待。然后你会发现，响应的时间会大幅度的开始增加，甚至不再有任何的响应。

终版

package main
import ("fmt""log""net/http""time")
const (  MaxWorker = 100 //随便设置值  MaxQueue  = 200 // 随便设置值)
// 一个可以发送工作请求的缓冲 channelvar JobQueue chan Job
func init() {  JobQueue = make(chan Job, MaxQueue)}
type Payload struct{}
type Job struct {  PayLoad Payload}
type Worker struct {  WorkerPool chan chan Job  JobChannel chan Job  quit       chan bool}
func NewWorker(workerPool chan chan Job) Worker {  return Worker{    WorkerPool: workerPool,    JobChannel: make(chan Job),    quit:       make(chan bool),  }}
// Start 方法开启一个 worker 循环，监听退出 channel，可按需停止这个循环func (w Worker) Start() {  go func() {    for {      // 将当前的 worker 注册到 worker 队列中      w.WorkerPool <- w.JobChannel      select {      case job := <-w.JobChannel:        //   真正业务的地方        //  模拟操作耗时        time.Sleep(500 * time.Millisecond)        fmt.Printf("上传成功:%v\n", job)      case <-w.quit:        return      }    }  }()}
func (w Worker) stop() {  go func() {    w.quit <- true  }()}
// 初始化操作
type Dispatcher struct {  // 注册到 dispatcher 的 worker channel 池  WorkerPool chan chan Job}
func NewDispatcher(maxWorkers int) *Dispatcher {  pool := make(chan chan Job, maxWorkers)  return &Dispatcher{WorkerPool: pool}}
func (d *Dispatcher) Run() {  // 开始运行 n 个 worker  for i := 0; i < MaxWorker; i++ {    worker := NewWorker(d.WorkerPool)    worker.Start()  }  go d.dispatch()}
func (d *Dispatcher) dispatch() {  for {    select {    case job := <-JobQueue:      go func(job Job) {        // 尝试获取一个可用的 worker job channel，阻塞直到有可用的 worker        jobChannel := <-d.WorkerPool        // 分发任务到 worker job channel 中        jobChannel <- job      }(job)    }  }}
// 接收请求，把任务筛入JobQueue。func payloadHandler(w http.ResponseWriter, r *http.Request) {  work := Job{PayLoad: Payload{}}  JobQueue <- work  _, _ = w.Write([]byte("操作成功"))}
func main() {  // 通过调度器创建worker，监听来自 JobQueue的任务  d := NewDispatcher(MaxWorker)  d.Run()  http.HandleFunc("/payload", payloadHandler)  log.Fatal(http.ListenAndServe(":8099", nil))}

最终采用的是两级 channel，一级是将用户请求数据放入到 chan Job 中，这个 channel job 相当于待处理的任务队列。

另一级用来存放可以处理任务的 work 缓存队列，类型为 chan chan Job。调度器把待处理的任务放入一个空闲的缓存队列当中，work 会一直处理它的缓存队列。通过这种方式，实现了一个 worker 池。大致画了一个图帮助理解,

首先我们在接收到一个请求后，创建 Job 任务，把它放入到任务队列中等待 work 池处理。

func payloadHandler(w http.ResponseWriter, r *http.Request) {  job := Job{PayLoad: Payload{}}  JobQueue <- work  _, _ = w.Write([]byte("操作成功"))}

调度器初始化work池后，在 dispatch 中，一旦我们接收到 JobQueue 的任务，就去尝试获取一个可用的 worker，分发任务给 worker 的 job channel 中。注意这个过程不是同步的，而是每接收到一个 job，就开启一个 G 去处理。这样可以保证 JobQueue 不需要进行阻塞，对应的往 JobQueue 理论上也不需要阻塞地写入任务。

func (d *Dispatcher) Run() {  // 开始运行 n 个 worker  for i := 0; i < MaxWorker; i++ {    worker := NewWorker(d.WorkerPool)    worker.Start()  }  go d.dispatch()}
func (d *Dispatcher) dispatch() {  for {    select {    case job := <-JobQueue:      go func(job Job) {        // 尝试获取一个可用的 worker job channel，阻塞直到有可用的 worker        jobChannel := <-d.WorkerPool        // 分发任务到 worker job channel 中        jobChannel <- job      }(job)    }  }}

这里"不可控"的 G 和上面还是又所不同的。仅仅极短时间内处于阻塞读 Chan 状态，当有空闲的 worker 被唤醒，然后分发任务，整个生命周期远远短于上面的操作。

附录

[1]http://marcio.io/2015/07/handling-1-million-requests-per-minute-with-golang/

-- END --

喜欢明哥文章的同学

欢迎长按下图订阅！

⬇⬇⬇